[发明专利]细胞图像解析方法、细胞图像解析装置、及学习模型创建方法

说明书

本发明通过运算从细胞的全息图像中形成相位像，使用全层卷积神经网络对该相位像按每个像素进行分割，识别未分化细胞区域、未分化逃脱细胞区域、异物区域等。学习时若读取小批次所包含的学习图像(S13)，则将该画像随机上下或左右翻转(S13)后旋转随机的角度(S14)。通过以旋转后的图像的边缘为轴的镜像翻转，填补由于该旋转而在旋转前的图像的框内缺损的部分(S15)。使用这样生成的学习图像进行全层卷积神经网络的学习(S16)。对所有小批次重复相同的处理，进而在打乱分配给小批次的学习数据同时，按规定次数重复学习。由此，学习模型的精度提高。由于能学习旋转不变的特征，因此能高精度地识别各种形状的细胞菌落。

技术领域

本发明涉及对针对细胞进行观察得到的观察图像进行解析处理的方法及装置，以及用于该解析的学习模型的创建方法，更详细而言，涉及在培养多能性干细胞(ES细胞或iPS细胞)的过程等中，以非侵袭方式对细胞的状态进行判定或者取得细胞的数目等与细胞相关的信息时优选的细胞图像解析方法、细胞图像解析装置及学习模型创建方法。

背景技术

近年来，在再生医疗领域中盛行使用iPS细胞、ES细胞等多能干细胞进行研究。在利用了这样的多能干细胞的再生医疗的研究和开发中,需要大量培养维持多能性的状态的未分化的细胞。因此,需要选择适当的培养环境且对环境稳定的控制,并且需要以较高的频率确认培养中的细胞的状态。例如,当细胞菌落内的细胞从未分化状态逃脱时,在该情况下,位于细胞菌落内的所有细胞均具有分化的能力,因此菌落内的细胞最终全部转变为未分化逃脱状态。因此，观察者需要每天确认正在培养的细胞中是否产生逃脱了未分化状态的细胞(已经分化的细胞、快要分化的细胞，下面称为“未分化逃脱细胞”)，并在发现了未分化逃脱细胞的情况下，迅速地去除该未分化逃脱细胞。

通过利用未分化标记进行染色，能够可靠地进行多能干细胞是否维持着未分化状态的判定。然而，由于进行了染色的细胞会死亡，因此在再生医疗用的多能干细胞的判定中无法实施未分化标记染色。因此，在当前的再生医疗用细胞培养的现场，观察者基于使用了相位差显微镜的细胞的形态观察，来判定其是否为未分化细胞。使用相位差显微镜是因此，细胞一般是透明的而在通常的光学显微镜中难以进行观察。

此外,如非专利文献1所公开的那样,最近,使用全息技术来获取细胞的观察图像的装置也被实用化。该装置如专利文献1～4等所公开的那样,通过对由数字全息显微镜得到的全息图数据进行相位恢复或图像重建等数据处理，从而创建易于清晰地观察细胞的相位像(由于使用同轴型全息显微镜(In-line Holographic Microscopy:IHM)，因此以下称为“IHM相位像”)。在数字全息显微镜中,在获取全息图数据之后的运算处理的阶段，能够计算任意距离下的相位信息，因此具有在拍摄时无需每次都进行对焦而能够缩短测量时间这样的优点。

然而,在相位差显微图像或IHM相位像中即使可一定程度上清晰地观察细胞,观察者要想通过目视正确地判定未分化细胞等也需要熟练度。此外,由于是基于人的判断,因此在判定中不可避免地产生偏差。因此,这样的以往的方法不适于在工业上大量地生产多能干细胞。

对于上述技术问题，以往提出有通过对细胞的观察图像进行图像处理来评价细胞的状态的各种技术。

例如在专利文献5中,记载有如下方法：根据相隔规定时间而获取的多个细胞观察图像分别计算细胞内部结构的纹理特征量，计算纹理特征量相对于该多个细胞观察图像的差分或相关值，并根据其时间序列变化来判别细胞的活性度。在该方法中,例如在纹理特征量的差分值呈现出随着时间的经过而减少的倾向的情况下,能够判断为该细胞的活性度减少等。

此外在专利文献6中,记载有如下方法：使用从细胞观察图像获取的多个指标值实施模糊神经网络(FNN)解析,预测增殖率等细胞的品质。在该文献中，还记载有将通过对细胞观察图像的图像处理求出的纹理特征量作为指标值来利用。